Escolar Documentos
Profissional Documentos
Cultura Documentos
TEMA:
INFORME FINAL DE HIDROLOGIA GENERAL
CURSO:
HIDROLOGIA GENERAL
3 de Agosto de 2016
Indice
I Generalidades 8
0.1. Descripcion Hidrografica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
0.2. Descripcion Fisiografica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
II Precipitaciones 13
4. Estaciones Meteorologicas 13
6. Estacion Carania 15
7. Estacion Huangascar 15
8. Estacion Pacaran 15
10.Estacion Tanta 16
11.Estacion Vilca 16
12.Estacion Yauricocha 17
13.Estacion Yauyos 17
15.Hietograma 18
16.Hidrogramas 18
2
17.Distribucion Normal 19
17.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
17.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
17.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
17.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 21
17.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
17.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
17.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
20.Distribucion Gamma 2p 36
20.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
20.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
20.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
20.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 38
20.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
20.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
20.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
21.Distribucion Gamma 3p 43
21.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
21.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
21.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
21.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 46
21.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
21.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
21.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
22.Distribucion Gumbel 50
22.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
22.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
22.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
22.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 51
22.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
22.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
22.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3
23.Distribucion Log Gumbel 56
23.1. Recepcion de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
23.2. Distribucion Emprica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
23.3. Calculo de los parametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
23.4. Calculo de la Funcion Acumulada Fx . . . . . . . . . . . . . . . . . . . . . . . . 58
23.5. Calculo de las Probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
23.6. Calculo de los Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
23.7. Test de Smirnov Kolmogorov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4
Resumen
En el presente trabajo se plasma las distribuciones estadsticas mas comunes, las mismas que
son muy utilizadas en el campo de la hidrologa.
Tomando como informacion a los datos de precipitacion, caudales, temperatura, evaporacion,etc.
Las cuales nos daran resultados de una cierta probabilidad de acuerdo a un cierto tiempo de
retorno que nos serviran para poder disenar y construir puentes, defensa riberenas,etc.
5
Introduccion
En este presente trabajo veremos las caractersticas de las estaciones meteorologicas que se
encuentran dentro de nuestra cuenca delimitada, que es la cuenca Canete.
El desbordamiento de un ro lleva consigo una serie de riesgos que pueden afectar grave-
mente tanto a construcciones como a la poblacion en general. Por ello, la sociedad demanda un
instrumento para acotar ese riesgo y obtener una seguridad de que la zona a ocupar quede libre
de ser susceptible de una intrusion de las aguas fluviales debido a una tormenta extraordinaria.
Los estudios de inundabilidad son, en la actualidad, una herramienta eficaz para delimitar
la capacidad de trasporte hdrico que puede tener un determinado ro. Estos se realizan para
asegurarse de que las aguas quedaran a una determinada cota durante una lluvia estadstica
con un determinado periodo de retorno. La lluvia de calculo (mm.) se obtiene segun diversas
distribuciones estadsticas a partir de una serie de datos de lluvia maximos anuales ya registrados.
6
Objetivos
Calcular los Caudales para los diferentes tiempos de retorno,mediante las distribuciones
estadsticas, viendo asi un mejor ajuste a la distribucion emprica.
aprender sobre las distribuciones estadsticas, que son muy importantes para poder elegir
un caudal maximo la cual se obtiene mediante probabilidades y que estan en funcion de
los tiempos de retorno. Y finalmente con este Caudal maximo hacer los calculos para el
diseno.
Para poder realizar este trabajo fue necesario aprender el software RStudio, que nos per-
mite realizar estadstica mediante los codigos que este tiene y nos facilita la programacion.
7
Parte I
Generalidades
0.1. Descripcion Hidrografica
El Canete es uno de los 52 ros costeros de importancia, que se encuentra en la vertiente del
Pacfico u Occidental, en la region central de esta vertiente, en cuya parte inferior se encuentra
el valle agrcola, limitado por el norte con la cuenca del ro Omas, por el sur con la quebrada
Topara y por el oeste con el Oceano Pacfico. La parte superior de la cuenca se conforma por
montanas que constituyen la cuenca alta y cuya lnea de cumbres lo separa, por el Norte y Este,
de la cuenca del ro Mantaro; por el Sur, de la cuenca del ro San Juan (Chincha) y, por el Oeste,
de las cuencas de los ros Omas y Mala.
8
Figura 1: Cuenca del ro Canete y ubicacion de las estaciones meteorologicas
La parte superior de la cuenca presenta, por efecto de la glaciacion numerosos nevados, la-
gunas y glaciares. En direccion al Oceano Pacfico, la cuenca se encuentra limitada por cadenas
de cerros cuyas cumbres muestran un sostenido y rapido descenso de nivel. En la parte inferior
de la cuenca, como resultado de la disminucion brusca de la pendiente y de la velocidad del
agua, se ha producido la deposicion del material aluvionico formando una pequena Ilanura. En
este sector, debido a la accion erosiva del viento, se presentan cerros bajos redondeados, a veces
aislados, y colinas.
9
Figura 2: Cuenca Canete
CUENCA CAETE
COORDENADAS UTM
Sa c
u cru m
i
RACRA
PI
YACUNA
MU L
AM
A
DEL PUNTO DE AFORO:
OSCO
NJ
L UC
ANQ UI
N I
A QU
ZA
H
OCH
IC
NA
U
HU AC
NU
G
AC
N
HU A
O
PU
UY
R
X : 354966.271434 m
YA
TA
YU
INC
TOTA
H
AN
AS
CH
Y : 8549328.097804 m
US A MA
AT TA C
PI
PI AP AN
YU
S
HU CH
A
IN A
PA
Z : 100 msnm
HU
QU
AN
N
C
SIN
CA
PUM PUR E
CULLPANA
H
A
M E
O
AG U A
UC SH
LEYENDA
CAETE
D U LC U
E UC
PANCA
N IA PA RA CO
C U TU A URA
YA N O
S
PUNTO DE AFORO
A
IR
PA
LL
IA
&
- IS MI
M
PALCO
AL
PA
AMPA
O
TOMAP
IER
A
RIOS_Clip AL IS
QU
PE
OJ
PA
UM
UJ O
SI
QU R UC
E PA CO IA
L
HUA
A
LL P
A
CURVAS_Clip
C
LA
CH
U
C
RO
ERHUATA
CH
O
I
L QU
C
SH A UY
H
A
LAR AOS A
YA
QU CH
RasterT_Watersh1
O
IM
C
UR
C
SH
A
T
A CA
U
C AR
H
NIZ
A
ANJ
S
A O A E
MA
CH LLONGOT E
IZA
TR
L E ANGUIR E
NC
A NC
O
BR
C
CA
A
AREA : 5942118986.684042 m2
AR
JAL
HUA AN
N TA
C
G
A
N
UIR
PERIMETRO : 497635.216212 m
HC
ACH
A
AC
YAU
E
CO
IC
LL
HUAYLL
A
A
QU
CO
AY
LL
NA
IN
YO
JA
HU
CH
M PU
O
S
TA
S
PATARA
AN
E
URA
PA
SI TOMA CA
HUA
UA PA AN
A SH LL
PA C
L
LAT PA A LA PI
E
RA U IN A A
T IN
CALL
ACHOC
U OL
HAY
SH IVA C H U Q TUPNA
N AJ
RA SH AR AC
TIC
O
IM AC
PUC ARA AY
CUCH
UY
AN
CH AY CH
MP
SH ATIA
PA
C
O RA PA IC
O R
TOT
AN
IO
CHIR
HU
R
AC
UA CH NA
NUNYA
HU
ISH CH Y
LA
QU HU AQ TU
A UI AN UY
O
ICH
CO C
AU
IQ CH AN
AN
E LA UE HU
IC
C
OS A
UR
O
CH
C
SAQU I
PO
PA
MO
A PA LA YANACOCHA
AU
CAE
LP M PA PA
L AL MIR
CA E
C
ES S
UC
AC
AM
A
CH CH
LLO
TE
PI
LU E
PALL CA
UA
CU NA CH AU LL
NG
RH
H U IN AMAY U
PO
SO I RU ANUCARA
LE
ATA
AM Y
CA
AC RA
Y
OL
RTIL
LA
JO
HU YAU
UC JR
I
TA
C
H
VIR
CHA
AL L UC
LO
PO
SI
JAY
AY UL
A
LE O
AYA
C
M
CA
L
U CA
U
A
NA
JA
SI
MA
A
PIN
LA C
Y N
E
CAUCAU
S
CA E
JAM
CAJ
RC
ILL O
PUC
SAYHUE
Y E
LA
A Y
H IC CO CE
PA
MA R
ICC
TU
TA
TAMB
CH MILLPO
CAN
R
CA
RO
PA
LO
SA
DI
C AR
RE
J
UE
SA L IT Y ON
UR
AS
LA
TI
AL E
CH
HUERO
C
H
O
A
LL
M
N
CA
A
RIA
UC
AY
CH
A
E
R
CH HU
S
LIN
AN
LLACTA
A
CAINA
YA
SHACANTE CS
E LU
AP TU P
I
PA HU
O CA TA YA
PICH
TA CR CA M O UA
CAM ATA
IH
AIR
BO B
LL
AN
R A A Q TA M PA LL
U
UI
TACASHMAYO
AY
SAN JU
CH
A
HU
HU M
LA
AY
A
APO
UC
YL
AN
A U
CUYCUY
HA
HU NC
AN
SIC
A
TARA
AN A
LL
CH
TE A
Z
L
IL C G
JA
A
C RU
AS
E
IANA
O CA
A
CA R
VAY
N
H UA
SHALLALLI
IG
HUAT
TOT HU
O
CHO
AN
AN
R ITA
JOL
AC
CAR
C
O UM A
H
ES M UT
VI
O
O
COS
I
PAL
HU
Y
NA
A
PI
C
AG
AL
JA
PITE HUAMANI MA O
IL
AC AR
C
UY
A
SA
JU DE
AY
RC
A
A AN C
N
NC CE
A
R
CA
PI
NIA
JO
R
UY
LUCUMO
TO
OS PA RA QU PA
UM
O MO
SE
E
LA
MP
TO
ACUPIT E
LA J
ES
CASA LL
YO A
MA
A MA
CHUN
ES C
C
YT
JITA A L N CHA TA
POJLOL
LA U CH TU
A
N AS
GL
UNA
O
A CCH
CHU
PL
LA
A
TINT IA
N
ZA
G
LA
YO
NACC HA
CO
C
CH
CAL
INCAH
ES C
A
AR
L ON
L OP
CA
UASI
S
ILL A
ALUMNO:
CON CON
100
&
- JUAN TONY HUAMAN VARGAS
10
2. Parametros de la Cuenca Canete
11
3. Curvas Caractersticas de la Cuenca
12
NOTA: Segun la imagen de la curva hipsometrica se trata de un rio joven, la cual se
encuentra en estado erosivo.
Parte II
Precipitaciones
4. Estaciones Meteorologicas
Las estaciones meteorologicas activas de la cuenca Canete son 8. En la Figura 2: podemos
observar la ubicacion Geografica de cada estacion con sus respectivos nombres.
13
5. Precipitaciones de cada Estacion
A continuacion veremos la precipitacion acumulada mensual y anual de cada una de las es-
taciones mencionada anteriormente. Las cuales han sido analizados con un periodo de 5 anos y
en algunas de 6 anos, para obtener las precipitaciones mensuales y anuales se a tenido que sacar
las precipitaciones diarias.
En la figura 3: Se muestra la tabla de datos de la estacion CARANIA del ano 2011,en ello
se muestra el paso realizado para obtener la precipitacion mensual (del mes de febrero) que es
la suma de las precipitaciones diarias.
14
6. Estacion Carania
En esta estacion veremos a detalle solo las precipitaciones mensuales y anuales, obviando
las precipitaciones diarias ya que se hizo un ejemplo; ver la Figura 3, el cual es el mismo paso
para cada mes de un respectivo ano.
7. Estacion Huangascar
Al igual que el anterior estacion, mostraremos una tabla de resumen de las precipitaciones
mensuales y anuales, durante un periodo de 6 anos(del 2010 al 2015) de la recpectiva estacion
meteorologica .
8. Estacion Pacaran
En la presente estacion meteorologica se muestra una tabla de resumen de las precipitaciones
mensuales y a anuales durante un periodo de 6 anos(del 2010 al 2015) de la respectiva estacion.
15
9. Estacion Socsi Canete
De igual forma se presenta una tabla de resumen de las precipitaciones mensuales durante
un periodo de 6 anos(del 2010 al 2015),con su respectiva precipitacion anual, de la estacion Socsi
Canete
16
12. Estacion Yauricocha
Del mismo modo se realizo una tabla de resumen de las precipitaciones mensuales durante
un periodo de 5 anos(del 2011 al 2015),con su respectiva precipitacion anual, de la estacion
Yauricocha
17
15. Hietograma
16. Hidrogramas
18
Parte III
#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
19
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137
Distribucin Emprica
1.0
0.8
0.6
P
0.4
0.2
0.0
[1] 40.12682
[1] 41.45918
20
17.4. Calculo de la Funcion Acumulada F x
> F_AS
[1] 0.1665490 0.1665490 0.1667750 0.1668202 0.1668504 0.1673032 0.1684955 0.1694266
[9] 0.1704374 0.1726286 0.1738025 0.1740347 0.1780137 0.1792737 0.1813746 0.1818902
[17] 0.1876813 0.1904551 0.1910293 0.1917486 0.1928408 0.2037579 0.2164697 0.2166245
[25] 0.2179188 0.2316920 0.2390182 0.2465643 0.2765856 0.2909667 0.2987668 0.3163593
[33] 0.3259686 0.3470889 0.3598624 0.3708561 0.3714257 0.3803937 0.4015236 0.4214594
[41] 0.4431468 0.4545975 0.4694443 0.4722036 0.4951616 0.5074505 0.5628354 0.6208857
[49] 0.6307043 0.6396537 0.6688776 0.6980772 0.6986342 0.7108611 0.7216146 0.7988537
[57] 0.8022989 0.8101024 0.8623939 0.8633864 0.8862116 0.8912978 0.8950174 0.9417376
[65] 0.9518255 0.9667010 0.9678141 0.9712584 0.9738283 0.9875740 0.9885319 0.9936092
21
1.0
Distribucin Normal
Distribucin Emprica
0.8
Probabilidad Acumulada
0.6
0.4
0.2
# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p
# calculo de cuantiles
Q<-qnorm(p, mu, sigma)
Rsult<-data.frame(Tr,p,Q);Rsult
Tr p Q
1 2 0.5000000 40.12682
2 5 0.8000000 75.01975
3 10 0.9000000 93.25890
4 15 0.9333333 102.36062
5 20 0.9500000 108.32111
6 25 0.9600000 112.70883
7 50 0.9800000 125.27357
8 100 0.9900000 136.57530
9 200 0.9950000 146.91860
22
10 250 0.9960000 150.07947
11 500 0.9980000 159.45306
12 1000 0.9990000 168.24533
100
80
60
40
data: x
D = 0.16656, p-value = 0.03683
alternative hypothesis: two-side
23
18.1. Recepcion de Datos
Importar los datos de la variable.
#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137
24
plot(x,P_E, pch=18, col="blue", type="b", lty=1 ,ylab = "P",
main = "Distribucion Emprica")
grid()
Distribucin Emprica
1.0
0.8
0.6
P
0.4
0.2
0.0
##[1] 3.328872
##[1] 0.8522588
25
[19] 1.036676e-02 1.129656e-02 1.278754e-02 3.245444e-02 6.377960e-02 6.420116e-02
[25] 6.775464e-02 1.080592e-01 1.306255e-01 1.541672e-01 2.460587e-01 2.873793e-01
[31] 3.088421e-01 3.546863e-01 3.782298e-01 4.263987e-01 4.532757e-01 4.751396e-01
[37] 4.762418e-01 4.932108e-01 5.304981e-01 5.625259e-01 5.942941e-01 6.099043e-01
[43] 6.290553e-01 6.324866e-01 6.595969e-01 6.731121e-01 7.269739e-01 7.734115e-01
[49] 7.804544e-01 7.866952e-01 8.059822e-01 8.237652e-01 8.240914e-01 8.311379e-01
[55] 8.371625e-01 8.764957e-01 8.781178e-01 8.817587e-01 9.052144e-01 9.056481e-01
[61] 9.155700e-01 9.177761e-01 9.193909e-01 9.402640e-01 9.451308e-01 9.528883e-01
[67] 9.535103e-01 9.554859e-01 9.570180e-01 9.666430e-01 9.674670e-01 9.725899e-01
Distribucin Emprica
0.8
0.6
Probabilidad Acumulada
0.4
0.2
0.0
# calculo de probabilidades
26
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p
# calculo de cuantiles
Q_mm<-qlnorm(p, uy_mm, sigma_mm)
Rsult<-data.frame(Tr,p,Q_mm);Rsult
Tr p Q
## 1 2 0.5000000 27.90685
## 2 5 0.8000000 57.17698
## 3 10 0.9000000 83.18657
## 4 15 0.9333333 100.30204
## 5 20 0.9500000 113.37641
## 6 25 0.9600000 124.07795
## 7 50 0.9800000 160.64516
## 8 100 0.9900000 202.65861
## 9 200 0.9950000 250.67207
## 10 250 0.9960000 267.50072
## 11 500 0.9980000 324.34608
## 12 1000 0.9990000 388.59983
27
Cuantiles Momentos Vs Periodo de retorno
400
300
Cuantil
200
100
data: x
D = 0.27947, p-value = 2.61e-05
alternative hypothesis: two-sided
y = ln(x x0 ) = y N (y , y2 ) (3)
1 ln(x x0 ) y 2
[ ]
1
f (x) = e 2 y (4)
(x x0 )y 2
Para x0 x <
Donde:
x0 :parametro de forma
y : parametro de escala en el dominio de x
28
y2 : parametro de de forma en el dominio de x
N 2 M3
Cs = (5)
(N 1)(N 2)S 3
(xi x)3
P
M3 = (6)
N
rP
(xi x)3
S= (7)
N 1
P
xi
x= (8)
N
Luego:
s
Cs 0,52
y = (9)
4,85
1 S2
y = [ln[ 2 ] y2 ] (10)
2 e y 1
y2
x0 = x ey + 2 (11)
Z Z
1 Z 2
F (Z) = e 2 dZ (12)
2
Donde:
ln(x x0 ) y
Z= (13)
y
29
19.2. Distribucion Emprica
Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (14)
n+1
#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137
30
Distribucin Emprica
1.0
0.8
0.6
P
0.4
0.2
0.0
##[1] 0.2876858
##[1] 4.908381
##[1] -101.0146
31
fz <- 1/(sqrt(2*pi))*exp(-0.5*z^2)
w <- 1./(1+0.33267*abs(z))
F_AS[i]<-1-fz*(0.4361836*w-0.1201676*w**2+0.937280*w**3)
if(z<0){
F_AS[i]<-1-F_AS[i]
}
}
F_AS
# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p
32
1.0
Distribucin logNormal 3 Parametros
Distribucin Emprica
0.8
Probabilidad Acumulada
0.6
0.4
0.2
# calculo de cuantiles
z_interpolado<-c(0,0.84162,1.28155,1.50109,1.64485,1.75069,2.05375,2.32635,2.57583,2.65207
Q<-exp(z_interpolado*forma+escala)
Rsult<-data.frame(Tr,p,z_interpolado,Q);Rsult
Tr p z_interpolado Q
## 1 2 0.5000000 0.00000 135.4200
## 2 5 0.8000000 0.84162 172.5182
## 3 10 0.9000000 1.28155 195.7943
## 4 15 0.9333333 1.50109 208.5592
## 5 20 0.9500000 1.64485 217.3656
## 6 25 0.9600000 1.75069 224.0859
## 7 50 0.9800000 2.05375 244.5001
## 8 100 0.9900000 2.32635 264.4464
## 9 200 0.9950000 2.57583 284.1239
## 10 250 0.9960000 2.65207 290.4245
## 11 500 0.9980000 2.87816 309.9424
## 12 1000 0.9990000 3.09023 329.4406
33
main = "Cuantiles Vs Periodo de retorno" )
grid()
200
150
> r
[1] 0.1404236436 0.1267250135 0.1133329139 0.0996956245 0.0860378947 0.0729533844
[7] 0.0608722951 0.0484372102 0.0361106176 0.0253870790 0.0132827423 0.0001003801
[13] 0.0083932199 0.0203796812 0.0312235652 0.0442214900 0.0500523179 0.0599841935
[19] 0.0729033046 0.0856256277 0.0978418358 0.0967470177 0.0932949477 0.1067853008
[25] 0.1187436006 0.1140002877 0.1179543804 0.1216684807 0.0962346870 0.0915526889
[31] 0.0953868425 0.0871156422 0.0889797778 0.0770844659 0.0755834379 0.0763688023
[37] 0.0894025720 0.0926889867 0.0822599376 0.0737086703 0.0637567792 0.0651834975
34
[43] 0.0632272534 0.0740454872 0.0641268081 0.0654472457 0.0252888755 0.0141981008
[49] 0.0091906797 0.0033412992 0.0148111513 0.0255937806 0.0123560005 0.0087196512
[55] 0.0037862925 0.0510481416 0.0400009973 0.0322919133 0.0583371901 0.0453900426
[61] 0.0490086280 0.0391871214 0.0283307164 0.0513884044 0.0461326162 0.0456106051
[67] 0.0329480918 0.0225158415 0.0113221428 0.0126214210 0.0001328778 0.0063867644
#[1] 0.1404236,
35
20. Distribucion Gamma 2p
Funcion Densidad
x
x1 e
f (x) = (15)
()
Para:
0x<y
0<<
0<<
Siendo:
= parametro de forma (+)
= parametro de escala
r(y) = funcion gamma completa
Para: 0 y 0,5772
= (0,5000876 + 0,1648852y 0,0544274y 2 )/y
Donde:
y = lnX lnX
X
=
36
20.2. Distribucion Emprica
Existen muchas relaciones para representar una Distribucion Emprica (DE). Para precipita-
ciones y caudales en hidrologa, recomiendan el suso de la distribucion propuesta por Weilbull,
cuya relacion es.
m
Pe = (17)
n+1
#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137
37
Distribucin Emprica
1.0
0.8
0.6
P
0.4
0.2
0.0
if(y<=0.5772)
# parametro de forma
{forma<-(0.5000876+0.1648852*y-0.0544274*y^2)/y} else (y>0.5772)
{forma<-(8.898919+9.05995*y+0.9775373*(y^2))/(y*(17.79728+11.968477*y+y^2))}
forma
#[1] 0.5350759
# parametro de escala
escala<-mean(x)/forma;escala
#[1] 74.99795
38
for (j in 1:h) {
t<-y^(forma+(j-1))
w<-forma+(j-1)
W<-W*w
z<-t/W
Z<-Z+z
}
G_y[i]<-((exp(-y))/ry)*(Z)
}
G_y
> G_y
[1] 0.01928773 0.02126346 0.02249611 0.03258971 0.03258971 0.03671844 0.06085331
[8] 0.07488706 0.08781829 0.11111344 0.12187113 0.12389401 0.15457272 0.16309268
[15] 0.17636241 0.17946357 0.21098510 0.22437068 0.22702935 0.23030955 0.23518935
[22] 0.27847248 0.31986386 0.32032342 0.32412869 0.36111807 0.37861585 0.39536274
[29] 0.45220258 0.47523502 0.48684692 0.51111063 0.52337978 0.54829145 0.56217175
[36] 0.57349672 0.57406897 0.58289981 0.60248876 0.61959692 0.63691453 0.64557912
[43] 0.65637178 0.65832615 0.67401216 0.68201056 0.71532855 0.74642586 0.75138436
[50] 0.75583937 0.77000168 0.78365073 0.78390692 0.78949689 0.79436316 0.82846150
[57] 0.82996892 0.83338658 0.85667271 0.85712645 0.86777468 0.87021627 0.87202157
[64] 0.89695327 0.90326738 0.91381790 0.91469226 0.91750007 0.91971057 0.93433432
[71] 0.93565228 0.94411848
39
DISTRIBUCION GAMMA 2P
Distribucion Gamma 2P
0.8
0.6 Distribucin Emprica
Probabilidad Acumulada
0.4
0.2
0.0
nmero de datos
# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p
Tr p Q
1 2 0.5000000 0.003438817
2 5 0.8000000 0.011744859
3 10 0.9000000 0.019028714
4 15 0.9333333 0.023505251
5 20 0.9500000 0.026751129
6 25 0.9600000 0.029301931
40
7 50 0.9800000 0.037374531
8 100 0.9900000 0.045622093
9 200 0.9950000 0.053999804
10 250 0.9960000 0.056719345
11 500 0.9980000 0.065225206
12 1000 0.9990000 0.073805653
0.14
0.12
0.10
41
> r
[1] 0.005589095 0.006133804 0.018599777 0.022204810 0.035903440 0.045473336
[7] 0.035037102 0.034701981 0.035469382 0.025872865 0.028813802 0.040489553
[13] 0.023509473 0.028688137 0.029117043 0.039714513 0.021891609 0.022204659
[19] 0.033244624 0.043663049 0.052481881 0.022897388 0.004795368 0.008443702
[25] 0.018337059 0.004953685 0.008752834 0.011801096 0.054942307 0.064276119
[31] 0.062189385 0.072754463 0.071324985 0.082538022 0.082719698 0.080346040
[37] 0.067219654 0.062351868 0.068242185 0.071651710 0.075270693 0.070236653
[43] 0.067330683 0.055586422 0.057573799 0.051873573 0.071492936 0.088891611
[49] 0.080151480 0.070907863 0.071371540 0.071321964 0.057879527 0.049770860
[55] 0.040938502 0.061338213 0.049147003 0.038866035 0.048453535 0.035208642
[61] 0.032158244 0.020901203 0.009007870 0.020240936 0.012856422 0.009708307
[67] 0.003115956 0.014006784 0.025494908 0.024569787 0.036950459 0.042182886
##[1] 0.08889161
42
21. Distribucion Gamma 3p
funcion densidad
se dice que un variable aleatoria X, tiene una distribucion gamma de 3 parametros, si su
funcion densidad de probabilidad es:
xx0
(x x0 )1 e
f (x) = (18)
r ()
para:
x0 x <
< x0 <
0<<
0<<
X = x0 +
S2 = 2
2
Cs = g =
luego:
4
=
C22
Cs S
=
2
2S
X0 = X
Cs
funcion acumulada
la funcion de distribucion acumulada de la distribucion gamma 3 parametros es:
(xx0 )
x
(x x0 )1 e
Z
f (x) = dx (19)
x0 r( y)
en la cual:
x = variable aleatoria gamma de 3 parametros
X0 =origen de la variable x, parametro de posicion
=parametros de escala
=parametro de forma
r(y)=funcion gamma completa
43
# Definir la ubicacion de la carpeta de trabajo
setwd(E:/tony/documentos/trabajo)
Datos<-read.table(Data_Pmax.txt, header=TRUE)
x<-sort(Datos$Pmax)
#summary(x)
#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137
44
main = "Distribucion Emprica")
grid()
Distribucin Emprica
1.0
0.8
0.6
P
0.4
0.2
0.0
##[1] -49.8648
##[1] 4.711537
##[1] 19.10027
45
21.4. Calculo de la Funcion Acumulada F x
> G_y
[1] 0.09140527 0.13318570 0.14972970 0.15531548 0.15701621 0.15810985 0.15992760
[8] 0.16128692 0.16274013 0.16587803 0.16755776 0.16789005 0.17357671 0.17537545
[15] 0.17837201 0.17910704 0.18734733 0.19128410 0.19209814 0.19311736 0.19466426
[22] 0.21005710 0.22780586 0.22802078 0.22981608 0.24877980 0.25875684 0.26895006
[29] 0.30863274 0.32713709 0.33703557 0.35900524 0.37079881 0.39621439 0.41125421
[36] 0.42400249 0.42465816 0.43491787 0.45863320 0.48043547 0.50354573 0.51550090
[43] 0.53075558 0.53356074 0.55654432 0.56857979 0.62089059 0.67253401 0.68097919
[50] 0.68860889 0.71309527 0.73695574 0.73740540 0.74722859 0.75579430 0.81565889
[57] 0.81827703 0.82419654 0.86368818 0.86443891 0.88178696 0.88568437 0.88854479
[64] 0.92582121 0.93446851 0.94803774 0.94910873 0.95248894 0.95508525 0.97070379
[71] 0.97196916 0.97948833
46
lines(x, P_E, pch=18, col="blue", type="b", lty=3) # Agregar una lnea
legend(topleft, legend=c(Distribucion Gamma 3P,Distribucion Emprica),
lty=1:3, pch=c(19,20,18), col=c(red , magenta , blue), cex=0.8, text.font=4)
grid()
DISTRIBUCION GAMMA 3P
1.0
Distribucion Gamma 3P
Distribucin Emprica
0.8
Probabilidad Acumulada
0.6
0.4
0.2
nmero de datos
# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p
# Calculo de cuantiles
Q<-qgamma(p, forma, escala)
Rsult<-data.frame(Tr,p,Q);Rsult
Tr p Q
1 2 0.5000000 0.2294588
47
2 5 0.8000000 0.3337944
3 10 0.9000000 0.3988746
4 15 0.9333333 0.4341794
5 20 0.9500000 0.4583411
6 25 0.9600000 0.4766598
7 50 0.9800000 0.5316460
8 100 0.9900000 0.5843518
9 200 0.9950000 0.6353253
10 250 0.9960000 0.6514299
11 500 0.9980000 0.7006534
12 1000 0.9990000 0.7488316
30
25
48
{
a <- c(( F_AS[i] - P_E[i]))
r[i] <- abs(a)
}
r
> r
[1] 0.1404236436 0.1267250135 0.1133329139 0.0996956245 0.0860378947 0.0729533844
[7] 0.0608722951 0.0484372102 0.0361106176 0.0253870790 0.0132827423 0.0001003801
[13] 0.0083932199 0.0203796812 0.0312235652 0.0442214900 0.0500523179 0.0599841935
[19] 0.0729033046 0.0856256277 0.0978418358 0.0967470177 0.0932949477 0.1067853008
[25] 0.1187436006 0.1140002877 0.1179543804 0.1216684807 0.0962346870 0.0915526889
[31] 0.0953868425 0.0871156422 0.0889797778 0.0770844659 0.0755834379 0.0763688023
[37] 0.0894025720 0.0926889867 0.0822599376 0.0737086703 0.0637567792 0.0651834975
[43] 0.0632272534 0.0740454872 0.0641268081 0.0654472457 0.0252888755 0.0141981008
[49] 0.0091906797 0.0033412992 0.0148111513 0.0255937806 0.0123560005 0.0087196512
[55] 0.0037862925 0.0510481416 0.0400009973 0.0322919133 0.0583371901 0.0453900426
[61] 0.0490086280 0.0391871214 0.0283307164 0.0513884044 0.0461326162 0.0456106051
[67] 0.0329480918 0.0225158415 0.0113221428 0.0126214210 0.0001328778 0.0063867644
## [1] 0.1404236
49
22. Distribucion Gumbel
es una de las distribuciones de valor extremo, es llamada tambien valor extremo tipo I o
distribucion doble exponencial.
funcion acumulada.
(x)
f (x) = e e (21)
para: < x <
donde:
0 < < , es el parametro de escala < < , es el parametro de posicion, llamado
tambien valor central o moda
funcion densidad.
1 (x) (x)
f (x) = e e (22)
estimacion de parametros, metodo de momentos.
X = + 0,5772156649
pi2 2
E[(x E(x))2 ] = S 2 =
6
= X 0,57721 = X 0,45S
#distribucion empirica
n<-length(x)
P_E <- c()
50
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137
# metodo de momentos
u <- mean(x) - 0.450048791*sd(x); # parametro de posicion
## [1] 21.46816
## [1] 32.32559
51
Distribucin Emprica
1.0
0.8
0.6
P
0.4
0.2
0.0
{
y<-(x[i]-u)/alpha
z <- exp(-exp(-y))
F_AS[i] <- z
}
F_AS
> F_AS
[1] 0.1433042 0.1433042 0.1436274 0.1436920 0.1437352 0.1443828 0.1460894 0.1474234
[9] 0.1488729 0.1520189 0.1537064 0.1540405 0.1597713 0.1615889 0.1646220 0.1653669
[17] 0.1737434 0.1777609 0.1785928 0.1796350 0.1812181 0.1970470 0.2154553 0.2156791
[25] 0.2175498 0.2373938 0.2478902 0.2586493 0.3008084 0.3205794 0.3311758 0.3547303
[33] 0.3673882 0.3946780 0.4108232 0.4245003 0.4252034 0.4362018 0.4615849 0.4848562
[41] 0.5094382 0.5221143 0.5382441 0.5412044 0.5653859 0.5779935 0.6322941 0.6850023
[49] 0.6935277 0.7012061 0.7256919 0.7493144 0.7497573 0.7594106 0.7677942 0.8254843
[57] 0.8279710 0.8335821 0.8706273 0.8713252 0.8873905 0.8909843 0.8936185 0.9277366
[65] 0.9356191 0.9480021 0.9489816 0.9520763 0.9544575 0.9689153 0.9701022 0.9772390
52
lty=1:3, pch=c(19,20), col=c(red,blue), cex=0.8, text.font=4)
grid()
DISTRIBUCION GUMBEL
1.0
gumbel Momentos
Distribucin Emprica
0.8
Probabilidad Acumulada
0.6
0.4
0.2
nmero de datos
# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p
Tr p Q
1 2 0.5000000 33.31591
53
2 5 0.8000000 69.95461
3 10 0.9000000 94.21262
4 15 0.9333333 107.89878
5 20 0.9500000 117.48149
6 25 0.9600000 124.86268
7 50 0.9800000 147.60064
8 100 0.9900000 170.17072
9 200 0.9950000 192.65843
10 250 0.9960000 199.88790
11 500 0.9980000 222.32670
8
6
4
2
54
a <- c(( F_AS[i] - P_E[i]))
r[i] <- abs(a)
}
r
> r
[1] 0.129605594 0.115906964 0.102531485 0.088897528 0.075242020 0.062190986
[7] 0.050198977 0.037834378 0.025585198 0.015032555 0.003021456 0.010343082
[13] 0.018310899 0.030191921 0.040857476 0.053811160 0.059133338 0.068814486
[19] 0.081681168 0.094337574 0.106453164 0.104322892 0.099613192 0.113087978
[25] 0.124915966 0.118770584 0.121972783 0.124912369 0.096451872 0.090379532
[31] 0.093481776 0.083625837 0.084666555 0.071075450 0.068628822 0.068650397
[37] 0.081645870 0.084346130 0.072661683 0.063088959 0.052205675 0.053228200
[43] 0.050797010 0.061535354 0.051052433 0.052143458 0.011541545 0.027468039
[49] 0.022294852 0.016274597 0.027061766 0.036985662 0.023729904 0.019684559
[55] 0.014369528 0.058360988 0.047149057 0.039061567 0.062408104 0.049407355
[61] 0.051774104 0.041669272 0.030604841 0.051024248 0.045208092 0.043892545
[67] 0.031173369 0.020569455 0.009252025 0.010011164 0.002500585 0.009062358
## [1] 0.1296056
55
23. Distribucion Log Gumbel
Estimacion de Parametros, Metodo de Momentos
(x)
F (x) = ee
(24)
Donde:
: Parametro de escala
: Parametro de posicion
#distribucion empirica
n<-length(x)
P_E <- c()
for(i in 1:n)
{
P_E[i] <- i/(n+1)
}
P_E
56
> P_E
##[1] 0.01369863 0.02739726 0.04109589 0.05479452 0.06849315 0.08219178 0.09589041
##[8] 0.10958904 0.12328767 0.13698630 0.15068493 0.16438356 0.17808219 0.19178082
##[15] 0.20547945 0.21917808 0.23287671 0.24657534 0.26027397 0.27397260 0.28767123
##[22] 0.30136986 0.31506849 0.32876712 0.34246575 0.35616438 0.36986301 0.38356164
##[29] 0.39726027 0.41095890 0.42465753 0.43835616 0.45205479 0.46575342 0.47945205
##[36] 0.49315068 0.50684932 0.52054795 0.53424658 0.54794521 0.56164384 0.57534247
##[43] 0.58904110 0.60273973 0.61643836 0.63013699 0.64383562 0.65753425 0.67123288
##[50] 0.68493151 0.69863014 0.71232877 0.72602740 0.73972603 0.75342466 0.76712329
##[57] 0.78082192 0.79452055 0.80821918 0.82191781 0.83561644 0.84931507 0.86301370
##[64] 0.87671233 0.89041096 0.90410959 0.91780822 0.93150685 0.94520548 0.95890411
##[71] 0.97260274 0.98630137
Distribucin Emprica
1.0
0.8
0.6
P
0.4
0.2
0.0
57
## [1] 1.527716
## [1] 1.71467
> F_AS
[1] 6.549000e-08 3.473965e-07 8.428911e-07 8.822099e-05 8.822099e-05 2.756235e-04
[7] 8.903685e-03 2.322174e-02 4.241198e-02 8.706945e-02 1.102464e-01 1.147022e-01
[13] 1.834187e-01 2.022930e-01 2.310790e-01 2.376777e-01 3.014684e-01 3.266222e-01
[19] 3.314782e-01 3.374057e-01 3.460943e-01 4.166540e-01 4.742675e-01 4.748592e-01
[25] 4.797209e-01 5.236936e-01 5.426045e-01 5.596926e-01 6.113193e-01 6.298423e-01
[31] 6.387293e-01 6.564097e-01 6.649254e-01 6.814193e-01 6.901819e-01 6.971220e-01
[37] 6.974679e-01 7.027491e-01 7.141016e-01 7.236367e-01 7.329584e-01 7.375064e-01
[43] 7.430699e-01 7.440658e-01 7.519365e-01 7.558700e-01 7.717367e-01 7.859032e-01
[49] 7.881143e-01 7.900910e-01 7.963179e-01 8.022475e-01 8.023582e-01 8.047691e-01
[55] 8.068610e-01 8.213982e-01 8.220384e-01 8.234901e-01 8.334088e-01 8.336031e-01
[61] 8.381796e-01 8.392348e-01 8.400167e-01 8.510144e-01 8.538808e-01 8.587759e-01
[67] 8.591885e-01 8.605217e-01 8.615806e-01 8.688335e-01 8.695124e-01 8.740015e-01
58
DISTRIBUCION logGUMBEL
gumbel Momentos
0.8
0.6 Distribucin Emprica
Probabilidad Acumulada
0.4
0.2
0.0
# calculo de probabilidades
Tr<-c(2,5,10,15,20,25,50,100,200,250,500,1000) # Periodos de retorno
p<-1-1/Tr;p
p<-c((1-1/Tr));p
y<-(-1*log(-1*log(p)))
Q<-exp((y*alpha)+u)
Rsult<-data.frame(Tr,p,Q);Rsult
Tr p Q
1 2 0.5000000 8.637942e+00
2 5 0.8000000 6.031719e+01
3 10 0.9000000 2.184052e+02
4 15 0.9333333 4.513834e+02
5 20 0.9500000 7.504095e+02
59
6 25 0.9600000 1.110033e+03
7 50 0.9800000 3.708012e+03
8 100 0.9900000 1.227661e+04
9 200 0.9950000 4.046867e+04
10 250 0.9960000 5.938289e+04
11 500 0.9980000 1.952427e+05
12 1000 0.9990000 6.413788e+05
3e+05
2e+05
1e+05
0e+00
60
r
> r
[1] 0.013698565 0.027396913 0.041095048 0.054706300 0.068404930 0.081916157
[7] 0.086986726 0.086367300 0.080875695 0.049916847 0.040438549 0.049681339
[13] 0.005336551 0.010512206 0.025599590 0.018499575 0.068591695 0.080046847
[19] 0.071204196 0.063433093 0.058423045 0.115284185 0.159198979 0.146092046
[25] 0.137255112 0.167529215 0.172741514 0.176130968 0.214059039 0.218883358
[31] 0.214071767 0.218053526 0.212870570 0.215665839 0.210729858 0.203971348
[37] 0.190618605 0.182201117 0.179855056 0.175691476 0.171314526 0.162163913
[43] 0.154028830 0.141326072 0.135498128 0.125732986 0.127901100 0.128368932
[49] 0.116881382 0.105159454 0.097687736 0.089918707 0.076330791 0.065043077
[55] 0.053436304 0.054274922 0.041216529 0.028969518 0.025189643 0.011685249
[61] 0.002563127 0.010080273 0.022997004 0.025697897 0.036530187 0.045333673
[67] 0.058619678 0.070985114 0.083624915 0.090070648 0.103090342 0.112299903
## [1] 0.2188834
61
Conclusiones
La precipitacion promedia durante 5 anos de la estacion CARANIA es 572.5 mm al ano.
La estacion SOCSI CANETE tiene bajo indice de precipitacion puesto que nos da un
promedio de 0.8 mm durante los anos 2011 - 2015, que ademas se ubica a una pequena
altura de 500 msnm, eso indica que hay poca lluvia en el lugar donde abarca la estacion.
Por otra lado, la estacion YAURICOCHA tiene mas elevada precipitacion, de un promdio
de 1046.62 mm durante los anos 2011 - 2015, puesto que se encuentra a una mayor altura
de 4675 msnm.
Tambien se tuvo una dificultad para el calculo de la distribucion log-Pearson Tipo III, por
tal motivo se omitio su calculo y su calculo.
Para las distribuciones log Gumbel y Gamma 2 parametros, se hizo un cambio de dato (a
las precipitaciones de 0 se cambio por 0.01), ya que usa logaritmos.
Se Calculo los caudales para diferentes tiempos de retorno,el cual se optivo mejor con la
distribucion gamma de 2 parametros:
Tr p Q
1 2 0.5000000 0.003438817
2 5 0.8000000 0.011744859
3 10 0.9000000 0.019028714
4 15 0.9333333 0.023505251
5 20 0.9500000 0.026751129
6 25 0.9600000 0.029301931
62
7 50 0.9800000 0.037374531
8 100 0.9900000 0.045622093
9 200 0.9950000 0.053999804
10 250 0.9960000 0.056719345
11 500 0.9980000 0.065225206
12 1000 0.9990000 0.07
63